Resolución de problemas biomédicos mediante técnicas de extracción de conocimiento

XVIII Conferencia de la Asociaci´ on Espa˜ nola para la Inteligencia Artificial 1252 Resoluci´ on de Problemas Biom´ edicos mediante T´ ecnicas de Extracci´ on de Conocimiento Oscar Reyes, Jose M. Luna, Jose M. Moyano, Eduardo P´ erez y Sebasti´ an Ventura Dpto. Inform´ atica y An´ alisis Num´ erico, Universidad de C´ ordoba Instituto Maim´ onides de Investigaci´ on Biom´ edica de C´ ordoba Email: {ogreyes; jmluna; jmoyano; z72pepee; sventura}@uco.es Resumen—En este trabajo se presenta el grupo “Descubrimien- to de Conocimiento y Sistemas Inteligentes en Biomedicina” del Instituto Maim´ onides de Investigaci´ on Biom´ edica de C´ ordoba. Este grupo, de reciente creaci´ on, est´ a integrado por varios investigadores interesados en las ´ areas de extracci´ on de conocimiento y desarrollo de sistemas inteligentes, con especial inter´ es en la resolucion de problemas de an´ alisis de datos aplicados al ´ ambito de la biomedicina. A lo largo del documento, se describen brevemente algunas de las l´ ıneas de trabajo del grupo, as´ ı como algunos de los resultados alcanzados recientemente. I. INTRODUCCI ´ ON En los ´ ultimos a˜ nos, las t´ ecnicas de inteligencia artificial se han revelado como una herramienta muy potente para la resoluci´ on de problemas complejos en el ´ ambito de la biomedicina [1]. De todas estas t´ ecnicas, merecen una menci´ on especial el aprendizaje autom´ atico y la miner´ ıa de datos, que han posibilitando la extracci´ on autom´ atica de conocimiento ´ util a partir de bases de datos biom´ edicas de gran tama˜ no y complejidad [2, 3]. Este inter´ es por una explotaci´ on de las distintas bases de datos existentes, que se generan como consecuencia tanto de la informaci´ on masiva que generan las nuevas t´ ecnicas de diagn´ ostico [4] como de los cada vez m´ as populares registros electr´ onicos de salud [5] est´ a provocando un creciente inter´ es por las disciplinas que integran la denominada ciencia de datos [6]. Los investigadores en biomedicina ya no solo saben estad´ ıstica cl´ asica, sino que empiezan a incorporar a sus estudios t´ ecnicas avanzadas de an´ alisis de datos e incorporan a sus equipos especialistas en estas disciplinas que les ayuden a resolver los problemas que se plantean al intentar explotar estas nuevas fuentes de informaci´ on. Un ejemplo de esta evoluci´ on se puede apreciar analizando los planes estrat´ egicos de instituciones como el Instituto Maim´ onides de Investigaci´ on Biom´ edica de C´ ordoba1(IMIBIC), que contempla para el quinquenio 2016-2020 acciones para incorporar cient´ ıficos de datos a sus equipos de trabajo, los cu´ ales proporcionar´ an este nuevo valor a˜ nadido al desarrollo de las investigaciones realizadas en la instituci´ on. Los expertos del IMIBIC reconocen que la ciencia de datos juega un papel fundamental hoy en d´ ıa en el diagn´ ostico m´ edico, especialmente con el desarrollo de la medicina de precisi´ on, que est´ a posibilitando la puesta a punto de estrategias inteligentes para la prevenci´ on, diagn´ ostico y 1https://www.imibic.org tratamiento adaptados al perfil cl´ ınico, gen´ etico y molecular de cada paciente y cada enfermedad concreta. Otra de las muestras del inter´ es que suscita la aplicaci´ on de este tipo de t´ ecnicas entre los investigadores de biomedicina es la incorporaci´ on a estas instituciones de equipos, tanto t´ ecnicos como investigadores, especializados en el an´ alisis de datos. Este es el caso del grupo Descubrimiento de Conocimiento y Sistemas Inteligentes en Biomedicina, al que pertenecen los autores del presente trabajo. Este es un grupo de investigaci´ on cuyos integrantes proceden del ´ area de extracci´ on de conocimiento y que, en los ´ ultimos a˜ nos, tras su incorporaci´ on al instituto, han ido aumentando su inter´ es por la resoluci´ on de problemas relacionados con el an´ alisis de datos biom´ edicos, debido al inter´ es que estos plantean desde el punto de vista aplicado y la complejidad de los mismos, que plantean interesantes retos desde el punto de vista te´ orico. El objetivo de este trabajo es presentar brevemente las l´ ıneas de investigaci´ on que desarrolla el grupo actualmente, as´ ı como algunos de los resultados alcanzados en colaboraci´ on con otros equipos de investigaci´ on del IMIBIC. El resto del trabajo se organiza de la siguiente manera. En la Secci´ on II se presenta la composici´ on del grupo, se explican brevemente sus principales l´ ıneas de investigaci´ on y se mencionan las colaboraciones con otros grupos de investigaci´ on. Algunos de los estudios realizados por el grupo se presentan en la Secci´ on III. Finalmente, en la Secci´ on IV se presentan las conclusiones del presente trabajo. II. COMPOSICI ´ ON DEL GRUPO,L´ INEAS DE INVESTIGACI ´ ON Y COLABORACIONES El grupo Descubrimiento de Conocimiento y Sistemas Inteligentes en Biomedicina se incorpor´ o al IMIBIC en el a˜ no 2014. Dicho grupo est´ a formado por investigadores del grupo de investigaci´ on Knowledge Discovery and Intelligent Systems (KDIS) de la Universidad de C´ ordoba2, interesados en aplicar los algoritmos que llevan desarrollando desde el a˜ no 2009 a problemas biom´ edicos. El grupo actualmente est´ a compuesto por 10 investigadores doctores y 5 estudiantes de doctorado. El investigador principal del grupo es el Dr. Sebasti´ an Ventura Soto. Los dos campos principales en los cuales se centran los estudios realizados por el grupo son: el descubrimiento de 2http://uco.es/kdis I Workshop de Grupos de Investigaci´ on Espa˜ noles de IA en Biomedicina 1253 conocimiento y miner´ ıa de datos, as´ ı como la aplicaci´ on de t´ ecnicas de inteligencia artificial para el desarrollo de sistemas inteligentes. La l´ ınea de trabajo que el grupo se propone desarrollar en los siguientes a˜ nos se enfoca en el desarrollo de metodolog´ ıas de an´ alisis de datos para resolver problemas complejos de biomedicina de gran relevancia para la sociedad, como son la predicci´ on de melanoma, el estudio de los factores de splicing alternativo, la predicci´ on y descripci´ on de patolog´ ıas en hipertenci´ on arterial, entre otros. II-A. L´ ıneas de investigaci´ on A continuaci´ on se presentan brevemente las l´ ıneas de investigaci´ on que desarrolla el grupo. II-A1. Desarrollo de modelos predictivos: Las t´ ecnicas de aprendizaje supervisado permiten que el conocimiento aportado por los expertos pueda guiar el an´ alisis de los datos, mostr´ andole a los algoritmos cu´ ales son las conclusiones (salidas) a la cuales deben llegar. Por ejemplo, un algoritmo de clasificaci´ on de im´ agenes para el diagn´ ostico del melanoma tratar´ a de aprender las relaciones que vinculan a los datos contenidos en las im´ agenes con las etiquetas asignadas [7]. De esta manera, los algoritmos de aprendizaje supervisado permiten, dado unos datos de entrada, encontrar una funci´ on que produce una salida lo m´ as aproximada posible al conocimiento de los expertos. Los modelos predictivos se pueden clasificar teniendo en cuenta el tipo de salida en modelos de clasificaci´ on (salida discreta) y modelos de regresi´ on (salida continua). Por otra parte, los modelos de clasificaci´ on y regresi´ on tradicionales producen una ´ unica salida a partir de un ´ unico vector de variables descriptoras. Sin embargo, en los ´ ultimos a˜ nos la construcci´ on de modelos a partir de representaciones de datos m´ as flexibles (multi-instancia, multivista, multi-etiqueta, multi-salida) ha sido de gran inter´ es en la comunidad cient´ ıfica. Los estudios realizados por el grupo en este campo se basan en el desarrollo de modelos predictivos, tanto para problemas cl´ asicos de predicci´ on [8] como para problemas con representaciones m´ as flexibles [9–12]. Alguno de estos estudios han sido aplicados directamente a problemas de Biomedicina; por ejemplo, en la predicci´ on del riesgo de padecer diabetes y en el diagn´ ostico a partir de textos cl´ ınicos usando modelos de clasificaci´ on multi-etiqueta. II-A2. Miner´ ıa de patrones: Los patrones, como elemento clave en el an´ alisis de datos, representan cualquier tipo de homogeneidad y regularidad en los datos, y por lo tanto estos sirven como descriptores de propiedades importantes presentes en los datos. Las t´ ecnicas de miner´ ıa de patrones son com´ unmente de car´ acter descriptivo y no supervisado, por lo que no se requiere incorporar conocimiento experto al comienzo de un estudio [13]. En ocasiones, dichas tareas descriptivas se enfocan en variables objetivo y, por tanto, tienen cierto car´ acter supervisado [14]. Los estudios realizados por el grupo en este campo se enfocan en la extracci´ on de conocimiento a partir de datos originales y el descubrimiento de informaci´ on ´ util asociada a variables espec´ ıficas de inter´ es. Se estudian diferentes tipos de patrones, incluyendo patrones frecuentes e infrecuentes [15], y patrones definidos sobre diferentes tipos de datos como relacionales, secuenciales, y en dominios ambiguos [13, 14]. Por otra parte, el grupo desarrolla algoritmos para la miner´ ıa de patrones respecto a una (o m´ ultiples) variable objetivo, incluyendo algoritmos de descubrimiento de sub-grupos [16] y algoritmos para modelos excepcionales [17], entre otros. II-A3. Desarrollo de Modelos Big Data: Hoy en d´ ıa los sistemas de informaci´ on producen colecciones masivas de datos que superan las capacidades de procesamiento y almacenamiento de los m´ etodos de extracci´ on de conocimiento tradicionales. Los problemas Big Data se caracterizan por grandes vol´ umenes de datos, que se generan com´ umente a gran velocidad, con gran variedad de formatos, donde es necesario garantizar la veracidad de los datos y por ´ ultimo extraer el valor (conocimiento) oculto en ellos. [18] En los ´ ultimos a˜ nos, los investigadores se han enfocado principalmente en la mejora de la escalabilidad de los algoritmos para enfrentar correctamente el desaf´ ıo que conlleva el tratamiento de grandes vol´ umenes de datos. Este desaf´ ıo es especialmente acentuado en el campo de la biom´ edicina, donde podemos encontrar enormes bases de datos gen´ eticos y bases de datos de historias cl´ ınicas. Sin embargo, una integraci´ on efectiva y eficiente de todos los datos biom´ edicos disponibles a partir de diferentes fuentes con el objetivo de extraer conocimiento ´ util y no trivial no es sencilla ni directa en la mayor´ ıa de los casos [19]. En este sentido, el grupo de investigaci´ on ha desarrollado algunos modelos [15, 16, 20, 21], los cuales pueden ser aplicados a problemas Big Data en el campo de la Biomedicina. II-A4. Desarrollo de flujos de trabajo: Los flujos de trabajo o workflows son mecanismos de alto nivel que permiten automatizar y describir procesos como una serie de actividades interconectadas que producen una salida deseada. En el caso del an´ alisis de datos, los workflows ofrecen una serie de pasos para conducir el an´ alisis teniendo en cuenta las caracter´ ısticas de los dominios de aplicaci´ on, ocultando los requerimientos computacionales y detalles t´ ecnicos de las t´ ecnicas de an´ alisis, y facilitando el desarrollo de procesos complejos para la extracci´ on de conocimiento a partir de datos heterog´ eneos [22]. La aplicaci´ on de los workflows en ciencia de datos enfrenta varios desaf´ ıos, que no solo se relacionan con la descomposici´ on de los m´ etodos de extracci´ on de conocimiento en procesos y actividades, sino tambi´ en con la adaptaci´ on y disposici´ on de procedimientos algor´ ıtmicos de bajo nivel para el an´ alisis intensivo de datos. Por otro lado, los workflows para problemas Big Data requieren el an´ alisis de m´ etodos paralelizables de miner´ ıa de datos, su ejecuci´ on en clusters o sistemas basados en la nube, la optimizaci´ on de los procesos para la ejecuci´ on eficiente de tareas complejas, etc. En este campo, el grupo est´ a trabajando en la construcci´ on de soluciones basadas en workflows [23–25], con el objetivo principal de mejorar la aplicaci´ on y reusabilidad de las metodolog´ ıas propuestas para el an´ alisis de datos en los estudios biom´ edicos que se realizan en el IMIBIC. XVIII Conferencia de la Asociaci´ on Espa˜ nola para la Inteligencia Artificial 1254 II-B. Colaboraciones El grupo de investigaci´ on colabora activamente con varios grupos del IMIBIC, entre los que podemos mencionar: Grupo GC-05 “Enfermedades autoinmunes sist´ emicasinflamatorias cr´ onicas del aparato locomotor y tejido conectivo” - Inv. principal Dra. Rosario L´ opez Pedrera. Se colabora en estudios para la determinaci´ on de los factores m´ as relevantes en enfermedades autoinmunes y cardiovasculares, y adem´ as se analiza c´ omo estas enfermedades incrementan el riesgo de ictus y de mortalidad. GC-07 “Nefrolog´ ıa. Da˜ no celular en la inflamaci´ on cr´ onica” - Inv. principal Dr. Pedro Aljama Garc´ ıa. Se est´ a colaborando en la obtenci´ on de nuevos par´ ametros hemodin´ amicos ambulatorios y medicina de precisi´ on. Grupo GC-08 “Hormonas y C´ ancer” - Inv. principal Dr. Justo P. Casta˜ no Fuentes. Se colabora en el estudio de los principios celulares y moleculares involucrados en los procesos naturales de la regulaci´ on neuroendocrinometab´ olica y sus disfunciones en enfermedades tumorales y c´ ancer. Actualmente los estudios se centran principalmente en la detecci´ on de los factores de la maquinaria de splicing que m´ as inciden en el desarrollo de diversas enfermedades, tales como el c´ ancer de pr´ ostata, tumores cerebrales y neuroendocrinos. Grupo GC-09 “Nutrigen´ omica. S´ ındrome metab´ olico.” - Inv. principal Dr. Jos´ e L´ opez Miranda. Se ha colaborado en el desarrollo de modelos que detecten y expliquen los diferentes factores que influyen en el desarrollo de la diabetes mellitus tipo II. Grupo GC-26 “Virolog´ ıa cl´ ınica y zoonosis” - Inv. principal Dr. Antonio Rivero Rom´ an. Se realizan estudios para el diagn´ ostico y el dise˜ no de estrategias de prevenci´ on de enfermedades virales (como la hepatitis) que tienen un alto riesgo en la salud de la poblaci´ on. Grupo GC-27 “OncObesidad y metabolismo” - Inv. principal Dr. Ra´ ul M. Luque Huertas. Se colabora en el estudio de las bases celulares, moleculares y fisiopatol´ ogicas que influyen en el desarrollo y la progresi´ on de enfermedades metab´ olicas, como la obesidad y la diabetes. Actualmente los estudios se centran principalmente en la detecci´ on de los factores de la maquinaria de splicing que m´ as inciden en el desarrollo de esteatosis y diabetes mellitus tipo II. III. ESTUDIOS Y RESULTADOS En esta secci´ on se describen en m´ as detalle algunos de los estudios ya realizados por el grupo y sus resultados principales, as´ ı como estudios que se est´ an realizando y que no est´ an concluidos. III-A. Metodolog´ ıa para la determinaci´ on de factores relevantes Se ha desarrollado una metodolog´ ıa basada en t´ ecnicas de aprendizaje supervisado que permite la extracci´ on de subconjuntos de factores relevantes para una correcta clasificaci´ on de las muestras en las clases definidas por los expertos. Esta metodolog´ ıa consta de dos fases principales: (a) la determinaci´ on de la importancia de los factores, que permite determinar un ranking de importancia; y (b) la construcci´ on de modelos de clasificaci´ on a partir de dicho ranking. El uso de esta metodolog´ ıa puede aportar varios beneficios al an´ alisis de datos biom´ edicos, ya que no solo se pueden determinar subconjuntos de factores relevantes que influyen en la correcta clasificaci´ on de las muestras, sino que los m´ etodos desarrollados tambi´ en son capaces de detectar distribuciones conjuntas entre factores, e interacciones y dependencias complejas respecto a las clases. La metodolog´ ıa ha sido utilizada en diferentes estudios realizados en colaboraci´ on con varios de los grupos mencionados anteriormente en la Secci´ on II-B. A continuaci´ on se describen brevemente tres de los estudios realizados que muestran la aplicaci´ on y utilidad de la metodolog´ ıa propuesta. III-A1. Diagn´ ostico de tumores neuroendocrinos pulmonares: En colaboraci´ on con el grupo GC-08 “Hormonas y C´ ancer”del IMIBIC se realiz´ o un estudio para el diagn´ ostico de tumores neuroendocrinos pulmonares. La heterogeneidad, sus diferentes comportamientos cl´ ınicos, y la posibilidad de aparici´ on recurrente y de met´ astasis a largo plazo, enfatiza la importancia que tiene la identificaci´ on de nuevos marcadores de diagn´ osticos y terap´ euticos que pueden mejorar el diagn´ ostico, pron´ ostico y/o el tratamiento de los pacientes que sufren esta enfermedad [26]. 0.00 0.25 0.50 0.75 1.00 NOVA1 SRSF9 RAVER1 U6 SRSF5 SC35 U11 nSR100 CUGBP PRP8 U2 SRSF6 RBM17 SAM68TV1 CELF4 SRSF1 SRSF10 PSF ESRP1 U2AF1 Factores Importancia Figura 1. Ranking de factores para diferenciar entre muestras normales y tumorales. Para este problema, los datos disponibles fueron de 26 muestras pareadas (muestras tumorales con su respectiva muestra de tejido normal adyacente), donde por cada muestra se ten´ ıa la expresi´ on de 44 factores que regulan la maquinaria de splicing. Mediante la primera fase de la metodolog´ ıa propuesta se obtuvo un ranking de factores que permiti´ o determinar cu´ ales son en promedio los factores m´ as relevantes para diferenciar las clases de muestras. La Figura 1 muestra las importancia de los 20 primeros factores del ranking. Posteriormente, en la segunda fase de la metodolog´ ıa se encontraron 100 modelos con AUC mayor o igual a 0,85, arrojando subconjuntos de factores relevantes que aparecen generalmente en todos los modelos predictivos. Tras realizar el an´ alisis, los factores m´ as relevantes encontrados fueron validados mediante pruebas de laboratorio. III-A2. Aclaramiento espont´ aneo en Hepatitis C: En colaboraci´ on con el grupo GC-26 “Virolog´ ıa cl´ ınica y zoonosis”del IMIBIC se realiz´ o un estudio para identificar factores o marcadores que ayuden a la predicci´ on del aclaramiento espont´ aneo I Workshop de Grupos de Investigaci´ on Espa˜ noles de IA en Biomedicina 1255 o infecci´ on cr´ onica del virus de Hepatitis C (VHC). Una vez que un paciente se infecta de VHC, se produce una hepatitis aguda que en la mayor´ ıa de los casos lleva a una infecci´ on cr´ onica caracterizada por el avance gradual de fibrosis hep´ atica, cirrosis y carcinoma hepatocelular. Sin embargo, se ha demostrado que un porcentaje menor de pacientes resuelven su infecci´ on de manera espont´ anea [27]. Para este problema, los datos disponibles fueron de 138 pacientes infectados con VHC, 81 de ellos con infecci´ on cr´ onica y 57 en los que se produjo un aclaramiento espont´ aneo. Cada paciente estaba descrito por 43 marcadores distintos. A partir de la primera fase de la metodolog´ ıa, se obtuvo un ranking de factores, tal y como se mostr´ o anteriomente en la Figura 1. Posteriormente, en la segunda fase de la metodolog´ ıa se utilizaron varios clasificadores (como ´ arboles de decisi´ on o clasificadores basados en reglas), obteni´ endose en total casi 400 modelos distintos con un AUC >0,8, lo cual permiti´ o obtener una mejor estimaci´ on de la importancia de cada uno de los factores para el aclaramiento espot´ aneo del VHC. El hecho de utilizar ´ arboles de decisi´ on permiti´ o adem´ as que los modelos resultantes fueran f´ acilmente interpretables por los expertos, pudiendo arribar a mejores conclusiones de una manera m´ as sencilla. En la Figura 2 se muestra un ejemplo de los modelos obtenidos. IL28B   HLA.B44   n = 56 IC AE 0 0.2 0.4 0.6 0.8 1 KIR3DS1   KIR2DS1   n = 10 IC AE 0 0.2 0.4 0.6 0.8 1 IC AE 0 0.2 0.4 0.6 0.8 1 IC AE 0 0.2 0.4 0.6 0.8 1 KIR3DS1   KIR2DS1   IC AE 0 0.2 0.4 0.6 0.8 1 IC AE 0 0.2 0.4 0.6 0.8 1 IC AE 0 0.2 0.4 0.6 0.8 1 n = 4 n = 3 n = 37 n = 8 n = 20 Figura 2. ´ Arbol de decisi´ on generado por uno de los modelos. III-A3. Diagn´ ostico de diabetes mellitus tipo II: En colaboraci´ on con el grupo GC-09 “Nutrigen´ omica. S´ ındrome metab´ olico” del IMIBIC se realiz´ o un estudio para identificar los factores que influyen en el desarrollo de diabetes mellitus tipo II. Este tipo de diabetes ha aumentado en los ´ ultimos a˜ nos en todo el mundo y se ha determinado que afect´ o a m´ as de 370 millones de personas en 2013. Si bien en las ´ ultimas d´ ecadas se ha producido un descendo de la mortalidad por esta enfermedad cardiovascular, la identificaci´ on de personas con alto riesgo de desarrollar diabetes es una tarea esencial. Entre los factores m´ as conocidos se encuentran biomarcadores tradicionales no sangu´ ıneos, factores gluc´ emicos como glucosa en sangre y perfil de insulina y hemoglobina A1c (HbA1c), biomarcadores no gluc´ emicos y biomarcadores gen´ eticos. Para este problema, se analizaron 1002 pacientes pertenecientes al ensayo cl´ ınico CORDIOPREV y se les sigui´ o durante dos a˜ nos. Se hicieron pruebas con diferentes modelos para identificar futuros pacientes con diabetes usando an´ alisis de sensibilidad/especificidad y curvas ROC. En general, se obtuvieron modelos con niveles de predicci´ on altos; curvas ROC con ´ areas superiores a 0.90. La Figura 3 muestra un ´ arbol de decisi´ on generado por uno de los modelos, donde se observa que Hba1c es una de las variables de predicci´ on m´ as importantes, m´ as all´ a de los valores de glucosa en ayunas. Otra conclusi´ on importante obtenida de los resultados es que el uso del ´ ındice IGI (funci´ on de c´ elulas beta) permiti´ o aumentar la sensibilidad y especificidad de los modelos obtenidos. Esta segunda conclusi´ on lleva a pensar que la prueba OGTT, donde el ´ ındice IGI es obtenido, es fundamental para la correcta predicci´ on de pacientes con alto riesgo de padecer diabetes tipo II. III-B. Metodolog´ ıa para la extracci´ on de patrones relevantes La extracci´ on de patrones en an´ alisis de datos ha jugado un papel fundamental en diferentes dominios [13], pues sirven como descriptores de los datos. Estas descripciones son fundamentales para extraer informaci´ on ´ util de los datos cuando no se posee conocimiento alguno. En ocasiones, las descripciones son realizadas sobre subconjuntos de datos dados en base a una o m´ ultiples variables objetivo. La descripci´ on de datos, ya sea sin conocimiento previo o basada en variables objetivo, es fundamental en Biomedicina, pues extrae relaciones desconocidas y que identifican inequ´ ıvocamente a los datos. HbA1 < 6.1 Leucocitos < 5.8 FG >= 56 GGT < 80 CT < 186 Plaquetas >= 139 Hemoglobina >= 15 homocisteina < 16 TASistolica_Basal < 149 FG < 112 GGT >= 38 TG_SinExtremos >= 113 FG >= 43 Hemoglobina < 13 PCR < 0.7 Edad_basal < 47 IMC_Basal < 26 Plaquetas < 268 Edad_basal < 53 AST < 38 HDL >= 54 Plaquetas >= 160 homocisteina < 14 FG >= 108 Creatinina >= 0.86 110 7 4 0 1 6 0 3 57 1 9 1 0 5 7 1 0 8 39 8 0 4 9 0 10 2 4 0 3 0 7 39 0 10 16 0 1 5 9 1 11 0 10 3 3 16 8 27 2 24 5 30 0 0 1 1 0 0 1 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 1 1 1 1 yes no Figura 3. ´ Arbol de decisi´ on generado por uno de los modelos. XVIII Conferencia de la Asociaci´ on Espa˜ nola para la Inteligencia Artificial 1256 En la actualidad, el grupo est´ a trabajando en dos problemas diferentes y sobre los que no se tienen a´ un resultados plausibles o destacados, pues se encuentran en un estado muy prematuro. III-B1. Extracci´ on de patrones de expresiones g´ enicas para describir tipos de c´ ancer: En colaboraci´ on con el grupo GC-08 “Hormonas y C´ ancer” del IMIBIC se est´ a realizando una serie de estudios para identificar y describir diferentes tipos de c´ ancer. El objetivo de este estudio es demostrar c´ omo t´ ecnicas de Supervised Descriptive Pattern Mining [14] pueden ser ´ utiles en la descripci´ on de tumores y c´ ancer. Las t´ ecnicas utilizadas no parten de un conocimiento previo, sino que analizar´ an todas y cada una de las variables existentes, pudiendo dar relaciones desconocidas e imposibles de obtener por t´ ecnicas cl´ asicas com´ unmente utilizadas en Biomedicina. Los primeros estudios realizados han demostrado que, sobre bases de datos ampliamente estudiadas en la literatura, las nuevas t´ ecnicas son capaces de obtener informaci´ on ya conocida, lo cual demuestra la efectividad y validez de estos m´ etodos. As´ ı pues, se est´ a trabajando en la aplicaci´ on de estas mismas t´ ecnicas sobre nuevos conjuntos de datos donde las t´ ecnicas cl´ asicas est´ an limitadas (requieren conocimiento previo de cu´ ales genes deben ser analizados). III-B2. Extracci´ on de patrones para describir variables hemodin´ amicas: En colaboraci´ on con el grupo GC-07 “Nefrolog´ ıa. Da˜ no celular en la inflamaci´ on cr´ onica” del IMIBIC se est´ a realizando una serie de estudios para la obtenci´ on de nuevos par´ ametros hemodin´ amicos ambulatorios y personalizados de tratamientos antihipertensivos. La hip´ otesis fundamental de trabajo consiste en que la aplicaci´ on de los principios de la medicina de precisi´ on en el campo de la enfermedad cardiovascular abrir´ an nuevas v´ ıas de intervenci´ on individualizadas que permitir´ a mejorar el pron´ ostico de los pacientes optimizando la prescripci´ on racional del medicamento. Se usar´ an nuevas t´ ecnicas diagn´ osticas no invasivas as´ ı como t´ ecnicas de an´ alisis de datos que permitir´ an identificar relaciones no conocidas hasta el momento entre variables hemodin´ amicas, tratamientos y pron´ ostico del paciente. IV. CONCLUSIONES En este trabajo se ha presentado el grupo “Descubrimiento de Conocimiento y Sistemas Inteligentes en Biomedicina” del IMIBIC, cuya l´ ınea de trabajo principal radica en el desarrollo de metodolog´ ıas de an´ alisis de datos para resolver problemas complejos de Biomedicina de gran relevancia para la sociedad. Se han descrito brevemente las l´ ıneas de investigaci´ on que actualmente desarrolla el grupo, y adem´ as se han presentado alguno de los estudios biom´ edicos en los cuales el grupo ha colaborado o que actualmente se est´ an desarrollando, demostrando la importancia que tiene hoy en d´ ıa la aplicaci´ on de t´ ecnicas modernas de ciencias de datos en los estudios biom´ edicos. Se espera que pr´ oximamente el grupo pueda extender su campo de acci´ on a otros grupos de investigaci´ on biom´ edica del IMIBIC, as´ ı como fortalecer la colaboraci´ on con otros grupos externos. AGRADECIMIENTOS Este trabajo ha sido financiado por el proyecto TIN2017- 83445-P del Ministerio de Econom´ ıa y Competitividad y Fondos FEDER. REFERENCIAS [1] A. Kocheturov, P. M. Pardalos, and A. Karakitsiou, “Massive datasets and machine learning for computational biomedicine: trends and challenges,” Annals of Operations Research, pp. 1–30, 2018. [2] C. Cao, F. Liu, H. Tan, D. Song, W. Shu, W. Li, Y. Zhou, X. Bo, and Z. Xie, “Deep learning and its applications in biomedicine,” Genomics, proteomics & bioinformatics, 2018. [3] N. Tempini and S. Leonelli, “Genomics and big data in biomedicine,” in Routledge Handbook of Genomics, Health and Society. Routledge, 2018, pp. 44–51. [4] S. M. et al., “Intelligent and effective informatic deconvolution of “big data” and its future impact on the quantitative nature of neurodegenerative disease therapy,” Alzheimer’s & Dementia, 2018. [5] Y. Essa, G. Attiya, A. El-Sayed, and A. ElMahalawy, “Data processing platforms for electronic health records,” Health and Technology, pp. 1–10, 2018. [6] L. Garmire, S. Gliske, Q. Nguyen, J. Chen, S. Nemati, H. Van, D. John, J. Moore, C. Shreffler, and M. Dunn, “The training of next generation data scientists in biomedicine,” in Pacific Symposium on Biocomputing. World Scientific, 2017, pp. 640–645. [7] I. Giotis, N. Molders, S. Land, M. Biehl, M. F. Jonkman, and N. Petkov, “MED-NODE: A computer-assisted melanoma diagnosis system using non-dermoscopic images,” Expert Systems with Applications, vol. 42, no. 19, pp. 6578 – 6585, 2015. [8] B. Strack, J. P. DeShazo, C. Gennings, J. L. Olmo, S. Ventura, K. J. Cios, and J. N. Clore, “Impact of hba1c measurement on hospital readmission rates: analysis of 70,000 clinical database patient records,” BioMed research international, vol. 2014, 2014. [9] J. M. Luna, A. Cano, V. Sakalauskas, and S. Ventura, “Discovering useful patterns from multiple instance data,” Information Science, vol. 357, pp. 23–38, 2016. [10] E. Gibaja, J. M. Moyano, and S. Ventura, “An ensemblebased approach for multi-view multi-label classification,” Progress in Artificial Intelligence, vol. 5, no. 4, pp. 251– 259, 2016. [11] O. Reyes, C. Morell, and S. Ventura, “Effective lazy learning algorithm based on a data gravitation model for multi-label learning,” Information Sciences, vol. 340, pp. 159–174, 2016. [12] O. Reyes, A. Cano, H. Fardoun, and S. Ventura, “A locally weighted learning method based on a data gravitation model for multi-target regression,” International Journal of Computational Intelligence Systems, vol. 11, no. 1, pp. 282–295, 2018. I Workshop de Grupos de Investigaci´ on Espa˜ noles de IA en Biomedicina 1257 [13] S. Ventura and J. M. Luna, Pattern mining with evolutionary algorithms. Springer, 2016. [14] ——, Supervised Descriptive Pattern Mining. Springer, 2018. [15] J. M. Luna, F. Padillo, M. Pechenizkiy, and S. Ventura, “Apriori versions based on mapreduce for mining frequent patterns on big data,” IEEE Transactions on Cybernetics, vol. 99, pp. 1–15, 2017. [16] F. Padillo, J. M. Luna, and S. Ventura, “Exhaustive search algorithms to mine subgroups on big data using Apache Spark,” Progress in Artificial Intelligence, vol. 6, no. 2, pp. 145–158, 2017. [17] J. M. Luna, M. Pechenizkiy, and S. Ventura, “Mining exceptional relationships with grammar-guided genetic programming,” Knowledge and Information Systems, vol. 47, no. 3, pp. 571–594, 2016. [18] S. Ventura, J. M. Luna, and A. Cano, Big Data on Real- World Applications. InTech, 2016. [19] R. Salado-Cid, A. Ramˆ ırez, and J. R. Romero, “On the need of opening the big data landscape to everyone: challenges and new trends.” Berlin, Heidelberg: Springer Berlin Heidelberg, 2018, pp. 675–687. [20] F. Padillo, J. M. Luna, and S. Ventura, “Subgroup discovery on big data: exhaustive methodologies using map-reduce,” in Proceedings of the 2016 IEEE Trustcom/BigDataSE/ISPA, 2016, pp. 1684–1691. [21] ——, “An evolutionary algorithm for mining rare association rules: A big data approach,” in 2017 IEEE Congress on Evolutionary Computation, CEC 2017, Donostia, San Sebasti´ an, Spain, June 5-8, 2017, 2017, pp. 2007–2014. [22] R. Salado-Cid and J. R. Romero, “Enabling the definition and reuse of multi-domain workflow-based data analysis,” in 16th International Conference on Intelligent Systems Design and Applications (ISDA’16), 2016. [23] R. Salado-Cid, J. R. Romero, and S. Ventura, “Metaherramienta para la generaci´ on de aplicaciones cientˆ ıficas basadas en workflows,” in X Jornadas de Ciencia e Ingenierˆ ıa de Servicios (JCIS’14), 2014, pp. 96–105. [24] R. Salado-Cid, G. Luque, and J. R. Romero, “Sistema de gesti´ on de flujos de trabajo para la definici´ on visual de aplicaciones basadas en algoritmos evolutivos,” in XVI Conferencia de la Asociaci´ on Espa˜ nola para la Inteligencia Artificial (CAEPIA’15), 2015, pp. 261–270. [25] R. Salado-Cid and J. R. Romero, “Lenguaje especˆ ıfico para el modelado de flujos de trabajo aplicados a ciencia de datos,” in XXI Jornadas en Ingenier´ ıa del Software y Bases de Datos (JISBD’16), 2016, pp. 227–240. [26] A. D. Herrera-Mart´ ınez, M. D. Gahete, R. S´ anchez- S´ anchez, R. O. Salas, R. Serrano-Blanch, A. Salvatierra, L. J. Hofland, R. M. Luque, M. A. G´ alvez-Moreno, and J. P. Casta˜ no, “The components of somatostatin and ghrelin systems are altered in neuroendocrine lung carcinoids and associated to clinical-histological features,” Lung Cancer, vol. 109, pp. 128–136, 2017. [27] M. Frias, A. Rivero-Ju´ arez, D. Rodriguez-Cano, A. Camacho, P. L´ opez-L´ opez, M. Risalde, B. Manzanares- Mart´ ın, T. Brieva, I. Machuca, and A. Rivero, “HLA- B, HLA-C and KIR improve the predictive value of IFNL3 for Hepatitis C spontaneous clearance,” Scientific Reports, vol. 8, no. 1, p. 659, 2018.